LONDON (IT BOLTWISE) – Der Londoner KI-Lab Inherent bringt den Agenten Faraday an den Start und behauptet, damit wissenschaftliche Paper unabhängig replizieren zu können, ohne vorherige Ergebnisse zu kennen. Auffällig ist der Ansatz: Faraday nutzt demnach ein vergleichsweise kleines Qwen-3.6-Modell mit 27 Milliarden Parametern statt riesiger Frontend-Modelle. Gleichzeitig will das Team nicht nur Genauigkeit erreichen, sondern eine Art „Research-Taste“ für lohnende Experimente vermitteln. Inherent wächst nach einer 50-Millionen-Dollar-Seed-Runde auf etwa 20 bis 25 Mitarbeitende und setzt dabei stark auf das Londoner KI-Ökosystem.
Inherent, ein Londoner KI-Labor, das von DeepMind-Alumni gegründet wurde, macht nach einer kurzen Stealth-Phase einen konkreten Leistungsnachweis: Der neue Agent Faraday soll wissenschaftliche Ergebnisse aus veröffentlichten Arbeiten eigenständig reproduzieren, ohne dass ihm die Zielresultate vorab vorgegeben werden. Genau dieser Punkt unterscheidet die Demo von vielen „Generative-Antworten“-Vorführungen. Statt nur Text zusammenzufassen, soll Faraday den gesamten Replikationsprozess als Aufgabe behandeln – also Annahmen, Schritte und Auswertung so lange durchlaufen, bis die beobachteten Resultate mit dem in der Literatur beschriebenen Ausgangspunkt übereinstimmen. Damit rückt ein Bereich in den Fokus, der im KI-Umfeld oft entweder zu abstrakt bleibt oder zu stark auf domänenspezische Musteroptimierung setzt.
Technisch wirkt Faraday dabei weniger wie ein klassischer Alleskönner und mehr wie ein gezielt getrimmter „Labor-Assistenz“-Agent. Inherent verknüpft die Paper-Replikation mit einem zweiten, anspruchsvolleren Kriterium: „research taste“, also die Fähigkeit, einzuschätzen, welche Experimente sich wirklich lohnen und wie man sie sinnvoll designt. Diese Form von Urteilsvermögen lässt sich nicht einfach über „wenn-dann“-Regeln codieren, weil sie stark davon abhängt, wie unsicheres Wissen in einem konkreten Forschungskontext bewertet wird. Genau hier setzt das Unternehmen laut Darstellung auf Reinforcement Learning: Der Agent bekommt Belohnung für gute Outcomes, statt vorab detaillierte Verhaltensregeln für jeden denkbaren Schritt zu lernen. Das Ziel ist, dass die Belohnungssignale nicht nur kurzfristige Korrektheit belohnen, sondern langfristig besser generalisieren – ein Motiv, das für spätere Einsätze über einzelne Fachgebiete hinweg zentral wäre.
Auch der Ressourcenansatz ist Teil der Story. Inherent vergleicht Faraday mit deutlich größeren Systemen aus dem Frontier-Umfeld und nennt dabei Größenordnungen, die für die Effizienz-Debatte relevant sind: Faraday laufe auf einem „vergleichsweise kleinen“ Qwen-3.6-Modell mit 27 Milliarden Parametern, während die genannten Vergleichssysteme jeweils deutlich über diesem Rahmen liegen. „Parameter“ sind dabei weniger als direkte Qualitätszahl zu verstehen, sondern als Proxy für Modellkapazität und typischerweise auch für Trainingskosten. Entscheidend ist aber, dass die Replikationsaufgabe offenbar nicht nur durch schiere Modellgröße lösbar sein soll. Inherent argumentiert damit implizit, dass das richtige Training und die Aufgabenformulierung – also der Weg vom Ausgangstext bis zur unabhängigen Reproduktion – mindestens ebenso viel beitragen wie die reine Skalierung. Für Unternehmen, die KI-Projekte betreiben, ist das ein Signal, dass „größer“ nicht automatisch „besser in der Praxis“ bedeuten muss.
Interessant ist daneben, welche Produktentscheidungen Inherent bewusst trifft. Das Unternehmen entwickelt demnach nicht zwingend eine eigene Coding-Komponente als Kernbaustein, sondern lässt Faraday auf ein bestehendes Codierungsmodell zugreifen. Das erinnert an die Art, wie Forschende Werkzeuge einsetzen, die längst existieren, statt jedes Mal eine komplette Toolchain neu zu erfinden. Für die Umsetzung heißt das: Der Mehrwert soll eher in der Agentenlogik liegen – also in Planung, Iteration, Auswahl der nächsten Versuchsannahmen und Bewertung – statt ausschließlich in einer selbstgebauten Programmierfähigkeit. Gleichzeitig will Inherent laut Darstellung vermeiden, dass Agenten lediglich die Wünsche der Nutzer bestätigen. Der gewünschte Teammate-Charakter ist dabei nicht als reines Chat-Gewand gedacht, sondern als Verhalten, bei dem der Agent neue Beobachtungen organisiert und dem Menschen die Ergebnisse als Gesprächsgrundlage zurückspielt: neugierig starten, Experimente ausführen und dann mit belastbaren Resultaten ins Feedback gehen.
Der Markt- und Organisationskontext spielt für die Einordnung ebenfalls eine Rolle. Inherent gehört zu einer Startup-Welle, die aus dem DeepMind-Umfeld entstanden ist, bekommt aber im Vergleich zu besser kapitalisierten Wettbewerbern offenbar weniger öffentliche Aufmerksamkeit. Genau deshalb wirkt der Schritt aus dem Stealth-Modus wie ein Versuch, mit einer überprüfbaren Aufgabe sichtbar zu werden. Zusätzlich nennt das Unternehmen eine Wachstumsplanung auf „etwa 20 bis 25“ Mitarbeitende bis zum Jahresende. Das ist nicht nur Kapazitätsplanung, sondern auch ein Wettbewerbssignal: Wer Agenten für wissenschaftliche Workflows und „AI scientist“-Konzepte priorisiert, braucht Personen, die sowohl Trainingstechniken wie Reinforcement Learning als auch die praktische Übersetzung von Paper-in-Pipeline-Workflows beherrschen. Inherent arbeitet dabei vor Ort in King’s Cross in London – einem Quartier, das sich in den letzten Jahren als KI-Hub etabliert hat. Dass Inherent London bewusst als Standort setzt, passt in dieses Bild, aber es schwingt auch ein Recruiting-Realismus mit: London bietet laut Darstellung Zugriff auf eine hohe Dichte an KI-Talenten.
Ein weiterer Aspekt, der über die Technik hinausgeht, ist das Thema „garden leave“ im britischen Arbeitskontext. Inherent verweist auf eine Regelpraxis, bei der ausscheidende Mitarbeitende zeitweise daran gehindert werden, direkt bei Konkurrenzfirmen anzufangen. Für US-Startups entsteht dadurch häufig ein Einstellungsfenster, das europäische Teams so nicht immer nutzen können. Inherent beschreibt diese Erfahrung als persönliche Hürde und ordnet sie der Unternehmensrealität zwar als Einzelfallperspektive ein, macht sie aber zugleich als Faktor für die Teamaufstellung sichtbar. Für Entscheider in KI-Organisationen ist das relevant, weil es zeigt, wie stark Talentmärkte und Vertragsdetails die Geschwindigkeit beeinflussen können, mit der neue Agententeams entstehen. Unterm Strich verbindet Inherent damit drei Ebenen: eine ambitionierte Agentenrolle in der Wissenschaft, einen ressourcenschonenden Modellansatz und eine klare Recruiting-Strategie, die London als Standortvorteil verkauft.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Inherent stellt Faraday vor: KI repliziert Paper – mit 27 Milliarden Parametern" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Inherent stellt Faraday vor: KI repliziert Paper – mit 27 Milliarden Parametern" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Inherent stellt Faraday vor: KI repliziert Paper – mit 27 Milliarden Parametern« bei Google Deutschland suchen, bei Bing oder Google News!